Бизнес-аналитика
Бизнес-аналитика — широкий спектр аналитических практик и подходов, относящихся к ведению бизнеса.
Сферы примененияПравить
МаркетингПравить
Демографические исследования, сегментация клиентов, совместный анализ и другие методы позволяют маркетологам использовать большие объёмы информации о покупках и данные опросов клиентов для формирования маркетинговой стратегии[1].
Маркетинговая аналитика состоит как из качественных, так и из количественных, структурированных и неструктурированных данных, используемых для принятия стратегических решений о бренде и доходах. Этот процесс включает прогнозное моделирование, маркетинговые эксперименты, автоматизацию и коммуникации в режиме реального времени. Такие данные позволяют компаниям делать прогнозы и формировать стратегию для достижения максимальных результатов[1].
Веб-аналитика позволяет маркетологам собирать информацию о действиях на веб-сайте с помощью операции, называемой сеансом. Google Analytics — пример популярного бесплатного инструмента веб-аналитики[2][3] . С помощью этой информации маркетолог может оптимизировать маркетинговые кампании и контент веб-сайта архитектуру[4].
Методы анализа, часто используемые в маркетинге, включают моделирование маркетингового комплекса, анализ ценообразования и продвижения, оптимизацию торгового персонала и клиентскую аналитику, например: сегментацию. Веб-аналитика и оптимизация веб-сайтов и онлайн-кампаний дополняют традиционные методы маркетингового анализа.
Управление персоналомПравить
Этот раздел аналитики также известен как HR-аналитика, аналитика талантов, аналитика человеческого капитала HRIS (Human resource Information system). HR-аналитика — это приложение аналитики к управлению человеческими ресурсами[5]. HR-аналитика стала стратегическим инструментом анализа и прогнозирования тенденций, связанных с персоналом на меняющихся рынках труда. Соответствующий класс инструментов известен как Career Analytics tools[6][7]. Широко применяются также автоматизированные системы управления персоналом[англ.]. Существует мнение, что в XXI в. настала «эпоха данных и HR-аналитики»[8].
ИнвестицииПравить
Распространенным применением бизнес-аналитики является портфельный анализ . Как правило, банк или кредитное агентство имеет набор клиентских счетов различной стоимости и риска. Счета могут различаться по социальному статусу владельца, географическому положению, чистой стоимости и другим параметрам. Кредитор должен сбалансировать прибыль по кредиту с риском дефолта. При этом возникает вопрос, как оценить портфель в целом[9].
РискиПравить
Прогностические модели в банковской сфере разрабатываются для обеспечения оценок риска для отдельных клиентов. Для оценки кредитоспособности заявителей широко используются кредитные баллы[10] Кроме того, анализ рисков используется в страховой индустрии[11].
БезопасностьПравить
Аналитика в области безопасности относится к информационным технологиям для сбора сведений об угрозах безопасности с целью выявления событий, представляющие наибольший риск[12]. Продукты в этой области включают информацию о безопасности, управление событиями и аналитику поведения пользователей.
Проблемы и риски бизнес-аналитикиПравить
Особое внимание в задачах аналитики уделяется анализу больших данных[13]. В прошлом большие данные встречались только в науке. В настоящее время такие данные возникают и в промышленности и бизнесе[13][14].
Ещё одна проблема, привлекающая внимание аналитиков это анализ неструктурированных типов данных. Неструктурированные данные отличаются от структурированных тем, что их формат широко варьируется и не может храниться в традиционных реляционных базах данных без значительного преобразования[15]. Источники неструктурированных данных, такие как электронная почта, документы текстовых процессоров, PDF-файлы, геопространственные данные и т. д., быстро становятся важным источником бизнес-аналитики для предприятий, правительств и университетов[16][17].
Вышеуказанные задачи привели к возникновению новых концепций машинного анализа, таких как обработка сложных событий[18], полнотекстовый поиск и др. Одним из таких нововведений является применение вычислительных сетей, позволяющих увеличить производительность за счет массивно-параллельной обработки данных[19].
РискиПравить
Основным риском внедрения аналитики является дискриминация, такая как ценовая дискриминация или статистическая дискриминация[20].
ПримечанияПравить
- ↑ 1,0 1,1 Wedel, Michel (2016-11-01). "Marketing Analytics for Data-Rich Environments". Journal of Marketing. 80 (6): 97–121. doi:10.1509/jm.15.0413. ISSN 0022-2429. Архивировано 31 марта 2022. Дата обращения: 23 июня 2022.
- ↑ Session - Analytics Help . support.google.com. Дата обращения: 9 января 2022. Архивировано 10 января 2022 года.К:Википедия:Cite web (не указан язык)
- ↑ IP address - Analytics Help . support.google.com. Дата обращения: 9 января 2022. Архивировано 10 января 2022 года.К:Википедия:Cite web (не указан язык)
- ↑ Analytics Tools & Solutions for Your Business - Google Analytics (англ.). Google Marketing Platform. Дата обращения: 9 января 2022. Архивировано 2 октября 2022 года.
- ↑ Chalutz Ben-Gal, Hila. An ROI-based review of HR analytics: practical implementation tools . Personnel Review, Vol. 48 No. 6, pp. 1429-1448 (2019). Дата обращения: 23 июня 2022. Архивировано из оригинала 30 октября 2021 года.К:Википедия:Cite web (не указан язык)
- ↑ Sela, A., Chalutz Ben-Gal, Hila. Career Analytics: data-driven analysis of turnover and career paths in knowledge-intensive firms: Google, Facebook and others. In 2018 IEEE International Conference on the Science of Electrical Engineering in Israel (ICSEE). IEEE. (2018). Дата обращения: 23 июня 2022. Архивировано из оригинала 31 марта 2022 года.К:Википедия:Cite web (не указан язык)
- ↑ People analytics - University of Pennsylvania . Coursera. Дата обращения: 23 июня 2022. Архивировано 19 апреля 2019 года.К:Википедия:Cite web (не указан язык)
- ↑ Миллнер, Хан, 2022, Эпоха данных и HR-аналитики, с. 59—84.
- ↑ Pilbeam, Keith (2005), "Portfolio Analysis: Risk and Return in Financial Markets", Finance and Financial Markets (англ.), pp. 156–187, doi:10.1007/978-1-349-26273-1_7, ISBN 978-1-349-26273-1
- ↑ Credit Reports and Scores | USAGov (англ.). www.usa.gov. Дата обращения: 9 января 2022. Архивировано 8 января 2022 года.
- ↑ Predictive Analytics in Insurance: Types, Tools, and the Future (амер. англ.). Maryville Online (28 октября 2020). Дата обращения: 9 января 2022. Архивировано 10 января 2022 года.
- ↑ Security analytics shores up hope for breach detection . Enterprise Innovation. Дата обращения: 27 апреля 2015. Архивировано из оригинала 12 февраля 2019 года.К:Википедия:Cite web (не указан язык)
- ↑ 13,0 13,1 2.3 Ten common characteristics of big data (англ.). www.bitbybitbook.com. Дата обращения: 10 января 2022. Архивировано 31 марта 2022 года.
- ↑ Naone, Erica. The New Big Data . Technology Review, MIT. Дата обращения: 22 августа 2011. Архивировано 20 мая 2022 года.К:Википедия:Cite web (не указан язык)
- ↑ Inmon, Bill. Tapping Into Unstructured Data / Bill Inmon, Anthony Nesavich. — Prentice-Hall, 2007. — ISBN 978-0-13-236029-6.
- ↑ Wise, Lyndsay. Data Analysis and Unstructured Data . Dashboard Insight. Дата обращения: 14 февраля 2011. Архивировано из оригинала 5 января 2014 года.К:Википедия:Cite web (не указан язык)
- ↑ Tapping the power of unstructured data (англ.). MIT Sloan. Дата обращения: 10 января 2022. Архивировано 10 января 2022 года.
- ↑ Flouris, Ioannis (2017-05-01). "Issues in complex event processing: Status and prospects in the Big Data era". Journal of Systems and Software (англ.). 127: 217–236. doi:10.1016/j.jss.2016.06.011. ISSN 0164-1212. Архивировано 14 апреля 2019. Дата обращения: 23 июня 2022.
- ↑ Yang, Ning (2019-06-25). "Large-Scale Crop Mapping Based on Machine Learning and Parallel Computation with Grids". Remote Sensing. 11 (12): 1500. Bibcode:2019RemS...11.1500Y. doi:10.3390/rs11121500. ISSN 2072-4292.
- ↑ Favaretto, Maddalena (2019-02-05). "Big Data and discrimination: perils, promises and solutions. A systematic review". Journal of Big Data. 6 (1): 12. doi:10.1186/s40537-019-0177-4. ISSN 2196-1115.